Vous êtes sur la page 1sur 31

Universit de Picardie Jules Verne e Licence de Physique S6 Anne Acadmique 2007-2008 e e

Cours de Traitement dImage

Responsable du Cours : Yaovi GAGOU yaovi.gagou@u-picardie.fr

Contents
1 Dnition de limage e 1.1 En gnral . . . . . . . . e e 1.2 Proprits nergtiques . ee e e 1.3 Distribution de Dirac . . 1.3.1 Dnition en 1D e 1.3.2 Dnition en 2D e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 1 1 1 2 2 2 2 3 3 4 4 4 4 4 5 5 5 6 6 7 7 7 8 8 8 8 9 9 10 10 10 10

2 Transformation Gomtrique 2D e e 2.1 Rotation et Translation . . . . . . . . . . . . . . . . . . 2.2 Homothtie . . . . . . . . . . . . . . . . . . . . . . . . e 2.3 Transformation Window-Viewport . . . . . . . . . . . . 2.4 Zoom local autour dun point slectionn ` la souris . . e ea 2.5 Pavage ou tesselation . . . . . . . . . . . . . . . . . . . 2.6 Gradient dimage monochrome . . . . . . . . . . . . . . 2.7 Transforme de Fourier, Transforme de Fourier inverse e e 2.7.1 Transforme de Fourier 2D . . . . . . . . . . . . e 2.7.2 Thor`me de Parseval (2D) : . . . . . . . . . . . e e 3 Technologie de limage numrique e 3.1 Echantillonnage de limage continue . . . 3.1.1 Peigne et Brosse de Dirac . . . . 3.1.2 Quantication . . . . . . . . . . . 3.2 Le pixel . . . . . . . . . . . . . . . . . . 3.2.1 Images matricielles . . . . . . . . 3.2.2 Images vectorielles . . . . . . . . 3.3 Rsolution dune image . . . . . . . . . . e 3.4 Taille dune image . . . . . . . . . . . . 3.5 Image en noir et blanc . . . . . . . . . . 3.6 Couleur de limage . . . . . . . . . . . . 3.6.1 Colorimtrie . . . . . . . . . . . . e 3.6.2 Quelques dnitions . . . . . . . e 3.6.3 Conversion de la Couleur . . . . . 3.7 Formats dimages . . . . . . . . . . . . . 3.8 Recadrage des valeurs de limage traitre e 3.9 Transforme de Fourier discr`te (TFD) : e e 3.10 Transforme de Fourier discr`te inverse : e e

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . .

4 Pr-traitement e 4.1 Restauration . 4.2 Amlioration e 4.3 Compression . 4.4 Segmentation

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

11 11 11 11 11 12 12 12 12 12 13 14 14 14 14 15 15 15 15 16 16 16 16 16 16 16 17 17 17 17 18 18 18 18 18

5 Filtrage de limage 5.1 Convolution numrique bidimensionnelle . . . . . e 5.1.1 Dnition . . . . . . . . . . . . . . . . . . e 5.1.2 Application a une image numrique . . . . ` e 5.1.3 Application de masques . . . . . . . . . . 5.1.4 Convolution et rponse impulsionnelle . . e 5.2 Convolution numrique sur limage discr`te . . . . e e 5.3 Masque de convolution . . . . . . . . . . . . . . . 5.4 Filtrage discret 2D . . . . . . . . . . . . . . . . . 5.4.1 Image chantillonne : . . . . . . . . . . . e e 5.4.2 Equation du ltrage - fonction de transfert 5.4.3 Rponse frquentielle : . . . . . . . . . . . e e 5.4.4 Autres quations de ltrage : . . . . . . . e 5.5 Reconnaissance de formes . . . . . . . . . . . . . 5.6 Quelques oprateurs de traitement . . . . . . . . e 5.6.1 Gauss . . . . . . . . . . . . . . . . . . . . 5.6.2 Prewitt . . . . . . . . . . . . . . . . . . . 5.6.3 Laplacien . . . . . . . . . . . . . . . . . . 5.6.4 Canny : . . . . . . . . . . . . . . . . . . . 5.6.5 Deriche . . . . . . . . . . . . . . . . . . . 5.6.6 Sobel : . . . . . . . . . . . . . . . . . . . . 5.6.7 Marr-Hildreth . . . . . . . . . . . . . . . . 5.7 Reprsentation de quelques masques 3 3 : . . . e 5.8 Particularits du ltrage en traitement dimage . e 5.8.1 Causalit . . . . . . . . . . . . . . . . . . e 5.8.2 Support . . . . . . . . . . . . . . . . . . . 5.8.3 Reprsentation numrique . . . . . . . . . e e 5.8.4 Proprits des ltres RIF . . . . . . . . . . ee 5.8.5 Exemples de ltres sparables : . . . . . . e 5.8.6 Filtrage en cascade . . . . . . . . . . . . .

. . . . . . . . . : . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Transforme en Z, Transforme e e 6.1 Dnition . . . . . . . . . . . e 6.2 TZ inverse . . . . . . . . . . . 6.3 Forme gnrale . . . . . . . . e e April 21, 2008

en . . . . . .

Z inverse 19 . . . . . . . . . . . . . . . . . . . . . . . . . . 19 . . . . . . . . . . . . . . . . . . . . . . . . . . 19 . . . . . . . . . . . . . . . . . . . . . . . . . . 19

TRAITEMENT DIMAGE
1
1.1

Dnition de limage e
En gnral e e

Cest un signal de 2D (bidimensionnel) ou 3D (tridimentionnel) en tenant compte de la profondeur de limage ou du temps. Limage continue est associe ` une fonction continue a 2 e a ` variables f (x, y), x et y tant des variables despace, coordonnes dun point sur lcran par e e e exemple. On sintresse aujourdhui aux images discr`tes obtenues par chantillonnage, et reprsente par e e e e e une fonction f (i, j) avec i et j variables despace, dsignant le pas dchantillonnage, suivant x e e et y respectivement.

1.2

Proprits nergtiques e e e e

La puissance instantane de limage est exprime par [f (x, y)]2 , x et y tant des variables e e e despace. Un point lumineux de lcran est caractris par une fonction proportionnelle a e e e ` 2 [f (x, y)] , nergie lumineuse. De gros travaux sur la compressions des images ont t raliss e ee e e en ces derni`res annes, avec les progr`s en informatique, permettant damliorer la rsolution e e e e e de limage.

1.3
1.3.1
+

Distribution de Dirac
Dnition en 1D e

(x)f (x)dx = f (0) 1 La fonction reprsente la limite lorsque T 0 de la fonction T .T (t), |x| T , o` T dsigne e u e 2 le fonction porte de largeur T.

1.3.2

Dnition en 2D e

En 2D, la distribution de Dirac est dnie ` partir de sa proprit quivalente : e a eee + + (x, y)f (x, y)dxdy = f (0, 0) relie ` sa dnition comme limite lorsque T 0 de T12 , |x| T , |y| T e a e 2 2

Transformation Gomtrique 2D e e

On dsigne par transformations gomtriques 2D lensemble des transformations (souvent eue e e clidiennes) dans le plan pouvant tre appliques ` une pixel (i, j) de limage, sans considration e e a e dintensit. Bien entendu, on doit savoir les appliquer a limage de faon a remonter a limage e ` c ` ` initiale, apr`s les transformations inverses : e

2.1

Rotation et Translation

La rotation et la translation permettent de conserver les distances et les angles. La rotation de cente C(x0 , y0) et dangle permet de passer de le pixel (x, y) a pixel (x , y ) dnie par: ` e x = x0 + (x x0 )cos() + (y y0 )sin() y = y0 (x x0 )sin() + (y y0 )cos() La rotation inverse permet de revenir a la position exacte de dpart. ` e La translation de vecteur (tx , ty ) donne de le pixel (x, y) de limage, une pixel (x , y ) dnie e par : x = x + tx y = y + ty Les autres transformations rversibles sont des combinaisons dune translation est dune rotae tion. Ces transformations rigides ont pour but de rectier les dformations et distorsion de e limage.

2.2

Homothtie e

Les homothties sont les changements dchelles suivant x et y ` partir dune origine donne. e e a e On les qualie souvent de ZOOM. ` Une homothtie de rapport x et y par rapport a une origine xe, sexprime sous la forme : e x = x .x y = y .y Pour exprimer une homothtie de centre M0 , on eectue tout dabord une translation a lorigine e ` du rep`re puis on eectue une homotthie de centre 0 suivie dune translation oppose ` la e e e a premi`re : e

x = x0 + x .(x x0 ) y = y0 + y .(y y0 ) Remarque : Dans les appareils photos numriques on utilise souvent des homothties centre e e e sur le pixel centrale de limage et de rapport > 1 pour agrandir (on peut perdre la qualit sur e les bords de limage) et < 1 pour diminuer la taille de limage (on voit mieux les dtails). e

2.3

Transformation Window-Viewport

Cette application permet de visualiser le monde (dimension de lordre du m`tre, kilom`tre..) e e dans une portion dcran (en pixels). On proc`de de la faon suivante : e e c -translation ` lorigine du rep`re viewport : a e u = u + umin v = v + vmin -changement dchelles : e xmax xmin x = umax umin u min y = ymax ymin v vmax v -translation au point de coordonnes (xmin , ymin ) : e x = x + xmin y = y + ymin -transformation compl`te : e Elle sobtient en composant toutes les transformations prcdentes. On a: e e xmax xmin x = xmin + umax umin (u umin ) min y = ymin + ymax ymin (v vmin ) vmax v

2.4

Zoom local autour dun point slectionn ` la souris e ea

Le point cliqu sera le point xe de la transformation. Il est ncessaire deectuer la composition e e : x = x xs - dune translation pour ramener le point xe a lorigine; ` y = y ys - dun zoom de facteur ; x = x y = y x = x + xs y = y + ys

- dune translation pour amener lorigine au point cliqu. e La transformation globale scrit : e

x = xs + (x xs ) y = ys + (y ys ) En pratique, pour tous les points (x, y) contenus dans un carr D D, e xxs ) yys ) on ache le pixel : (xs + , ys + ) 3

2.5

Pavage ou tesselation

Les pixels sont gnralement arrangs sous forme rectangulaire, dans un tableau 2D. Mais il peut e e e exister galement dautres pavages ou tesselations comme, par exemple, le pavage hexagonal ou e triangulaire ou le pavage rectangulaire en quinconce. La distance euclidienne entre deux points P (i, j) et P (k, l) dnie par e d(P (i, j), P (k, l)) = (k i)2 + (l j)2 a lavantage de ne privilgier aucun axe, ce qui nest e pas le cas de la distance par blocs (appele galement Manhattan, distance en rfrence ` l e e ee a le de Manhattan o` il faut contourner dirents pts de maisons (blocks) pour relier deux points u e ae : d(P (i, j), P (k, l)) = |k i| + |l j|; ou de la distance tour dchiquier: e d(P (i, j), P (k, l)) = max(|k i|, |l j|) les deux derni`res expressions de la distance prsente e e des avantages au niveau des co ts de calcul. u

2.6

Gradient dimage monochrome

On consid`re un plan Oxy et une fonction f(x,y). Le gradient de la fonction est le vecteur e df (x,y) 2 df 2 df dx + dy gradf = df (x,y) soit gradf = dx
dy

Des oprations non linaire fournissent ensuite le module et lorientation du gradient au pixel e e considr. ee

2.7
2.7.1

Transforme de Fourier, Transforme de Fourier inverse e e


Transforme de Fourier 2D e

Cest un outil qui permet de passer du domaine spatial au domaine frquentiel et rciproquement. e e Dans les notations ci-dessous x et y sont les variables spatiales, u et v les variables frquentielles e : + + Cas continu : F (u, v) = f (x, y)ej2(ux+vy) dxdy
+ +

Cas discrt : X(u, v) = e

x(m, n)ej2(um+vn)

m=n=

La TF permet de transformer un produit de convolution en produit simple (thor`me de e e Plancherel). La Transforme de Fourier inverse scrit : e e j2(m+n) x(m, n) = X(, )e dd, (m, n) Z2
R,R

2.7.2

Thor`me de Parseval (2D) : e e |x(m, n)| =


2
1 2 1 2

(m,n)Z2

1 1 2 2

|X(, )|2 dd 4

Technologie de limage numrique e

Limage numrique est obtenue ` partir de lchantillonnage. On utilise des cameras CCD e a e (Charge coupled device), des capteurs CMOS, CMOS(Foveon), des scanners ou chantillonneurs e spciques. La rsolution spatiale est le nombre de pixels dans limage. La densit de rsolution e e e e est le nombre de pixels par unit de longueur (ppi ou dpi). e

3.1

Echantillonnage de limage continue

La reprsentation informatique dune image est ncessairement discr`te alors que limage est de e e e nature continue : le monde est continu. Certains capteurs eectuent une discrtisation : cest e le cas des appareils photo numriques, des scanners. e Si on regarde dun peu plus pr`s, la transformation dun signal analogique 2D ncessite a la e e ` fois une discrtisation de lespace : cest lchantillonnage, et une discrtisation des couleurs : e e e cest la quantication. Limage numrique est obtenue par chantillonnage (elle doit respecter le thor`me de Shannon). e e e e Elle connait un grand dveloppement dans les annes 1960; par les ordinateurs avec un calcul e e rapide (Transforme de Fourier rapide FFT = programme de calcul de TF en numrique) et la e e valeur de chaque point sur limage est vite calcule. e En pratique, on sappuie sur conversion analogique/numrique et reciproquement (grce aux e a dirents ltres). On convolue le signal 2D avec une brosse de Dirac de priode xe suivant x e e e et y en tenant compte de la loi de Shannon (e >> 2max , voir cours du traitement de signal). 3.1.1 Peigne et Brosse de Dirac

Tandis que lchantillonnage 1D seectue par produit de convolution avec le peigne dimpulsions e de Dirac, lchantillonnage 2D seectue par produit de concolution avec une brosse dimpulsions e de Dirac. Nous nous intressons ` lexpression des peignes de Dirac an de dterminer lexpression e a e dune brosse. En 2D le peigne en x est dni par : e
m=+

px (x, y) = (y)

(x mx)

m=

Rappel : Le peigne dimpulsion de Dirac en 1D scrit : e


m=+

p(x) =

(x mx), suivant x et une criture quivalente suivant y. e e

m=

Proprits : ee x(t) (t T0 ) = x(t T0 ) x(t) (t) = x(t) x(t).(t T0 ) = x(T0 ).(t T0 ) 5

La brosse dimpulsion de Dirac en 2D scrira sous la forme : e


m=+

b(x, y) =
m=

(x mx).

n=+ n=

(y ny)

Le peigne tendu, en x est dni par (dnition quivalente en y) : e e e e


m=+

px (x, y) =
m=

(x mx).

Cette expression se reprsente graphiquement par des bandes parall`les suivant y distantes de e e x suivant x et ne doit pas tre confondu avec le peigne ` 1D suivant x qui se reprsentes par e a e e des impulsions identiques distantes de x et suivant x. La brosse est ainsi dnie comme produit des deux peignes tendus : b(x, y) = px (x, y)py (x, y) e e Une image continue f(x,y) sera chantillonne par la brosse pour donner une image discr`te e e e g(x,y) dnie par : e g(x, y) = f (x, y) b(x, y) La Transforme de Fourier de limage chantillonne scrit alors sous la forme : e e e e G(, ) = F (, ).B(, ) avec B(, ) = Px (, ).Py (, ) 3.1.2 Quantication

Une fois limage chantillonne, ltape suivante de la numrisation est celle de la quantication. e e e e Le dbit binaire y est directement li. Pour quantier un signal, il faut dnir une loi et une e e e chelle de quantication. Lchelle de quantication a t xe sur 256 niveaux de gris, soit 8 e e ee e bits, et la loi a t choisie linaire. ee e Pour le noir et blanc, 2 bits de quantication susent ; pour la couleur - a laquelle loeil est ` moins sensible - 24 bits de quantication susent, do` le choix de travailler sur des octets. u Cela satisfait a la fois les contraintes de la luminance et celles de la chrominance. De plus, un ` meilleur rapport signal/bruit est obtenu en choisissant une loi de compression logarithmique et le choix de cette loi linaire peut para anormal. Mais le signal vido est dj` corrig en e tre e ea e g. En ralit, la loi de quantication nest donc pas linaire mais en 1/g (loi de weber sur la e e e vision humaine) et permet de conserver un bon rapport signal/bruit (S/B) aux faibles niveaux de luminance. Rappelons que S/B = (6,02n + 1,76) o` n est le nombre de bit. u

3.2

Le pixel

Le pixel (picture lement) est la taille du plus petit lment de limage. Il dsigne aussi un point e ee e de la matrice image. Le pixel peut avoir une dimension. Cest particuli`rement vrai dans le cas e des images mdicales 3D o` des mesures de volumes, par exemple, peuvent tre eectues. La e u e e taille dune pixel est relie au pas dchantillonnage et au champ de vue. e e Un pixel poss`de une valeur qui peut tre un scalaire et reprsenter un niveau de gris ou un e e e vecteur reprsentant une couleur, ou tout autre chose. e Les images dites en noir et blanc sont composes de pixels binaires noirs ou blancs (deux e 6

valeurs possibles). Les images en niveaux de gris sont composes de pixels de valeurs scalaires e reprsentant la luminosit. Pour donner un ordre de grandeur, si un pixel est cod sur 8 bits e e e 8 (1 octet), on dispose de 2 = 256 couleurs ou niveaux de gris. Sous Matlab, le pixel (1,1) est situe en haut a gauche de limage. e ` Une image est dnie par : le nombre de pixels qui la compose en largeur et en hauteur, e ltendu des teintes de gris ou des couleurs que peut prendre chacune de ses pixels (on parle de e dynamique de limage). En gnral on utilise plutt le pixel physique (lie ` lcran). Ainsi, une pixel physique peut e e o e a e reprsenter plusieurs points sur limage relle ou inversement. e e Dans la suite de ce cours on utilisera le pixel logique cest a dire un lment identi par un ` ee e couple (i,j), o` i et j reprsentent les pas dchantillonnage suivant x et y respectivement, et u e e caractris par toutes les grandeurs physiques quanties sur limage. e e e 3.2.1 Images matricielles

Les images matricielles : une image numrique est en fait une matrice (un tableau) de pixels. e Chaque pixel a donc de composantes spatiales dans le plan rel. e 3.2.2 Images vectorielles

Le principe est de reprsenter, autant que cela est possible de le faire, les donnes de limages e e par des formes gomtriques qui vont pouvoir tre dcrites dun point de vue mathmatique. e e e e e Ceci est commode pour les dilatations de limage en conservant sa qualit. e

3.3

Rsolution dune image e

La rsolution dune image est dnie par le nombre de pixels par unit de longueur de la e e e structure a numriser (classiquement en dpi (dots per inches) ou ppp (points par pouce)). Plus ` e le nombre de pixels est lev par unit de longueur de la structure a numriser, plus la quantit e e e ` e e dinformation qui dcrit cette structure est importante et plus la rsolution est leve. e e e e La rsolution dune image numrique dnit le degr de dtail qui va tre reprsent sur celle-ci. e e e e e e e e Les phnom`nes de numrisation dpendent des 2 quations suivantes : e e e e e (X*rsolution) = x pixels e (Y*rsolution) = y pixels e o` X et Y reprsente la taille gomtrique (en pouces ou centim`tres) de la structure a numriser, u e e e e ` e rsolution reprsente la rsolution de numrisation, puis x et y reprsente la taille (en pixels) e e e e e de limage.

3.4

Taille dune image

Une image de 1 pouce *1 pouce scanne ` 100 dpi aura une taille (x, y) de 100 pixels sur 100 e a pixels cest a dire (1*100)*(1*100) = 100 pixels sur 100 pixels = 10.000 pixels2 ou simplement ` 10.000 pixels . Remarque : 1 pouce = 2, 54 cm 1 pouce = 25, 40 mm = 100 pixels (dans le cas de lexemple actuel choisi ) 1 inch = 2, 54 cm = 1 pouce 1 f t = 12 inch

3.5

Image en noir et blanc

On passe en niveaux de gris on considrant comme seule composante la luminosit. Il existe e e plusieurs mani`res de convertir une image RVB en niveaux de gris. e rouge + vert + bleu La plus simple est de faire : gris = . 3 Cest aussi quivalent daecter la couleur gris a chacune des trois composantes composantes e ` RVB. Lidal est de faire ressortir la luminosit dun pixel. Celle-ci vient principalement de la prsence e e e de la couleur verte. On emploi gnralement les coecients suivant : e e gris = 0, 299 rouge + 0, 587 vert + 0, 114 bleu

3.6

Couleur de limage

La couleur est un phnom`ne qui fait a la fois intervenir la physique de la mati`re, notamment les e e ` e interactions des ondes lectromagntiques avec la mati`re, et linterprtation de ce phnom`ne e e e e e e physique par le syst`me visuel constitu principalement de lil et du cerveau. e e On conna le spectre de la lumi`re blanche mis en vidence par Isaac Newton en 1666 a partir de t e e ` la dispersion de la lumi`re blanche par un prisme. Ce sont galement les couleurs prsentes dans e e e larc-en-ciel, phnom`ne rsultant de la dispersion de la lumi`re du soleil dans les gouttelettes e e e e deau (des nuages). Ces longueurs donde se trouvent dans le visible (0, 4 0, 8m). Il existe aussi des syst`mes optiques plus sensibles aux infrarouges, quaux longueurs donde du visible. e Les dtails sur la couleur sont donns en annexe ` ce cours. e e a 3.6.1 Colorimtrie e

Trichromie (Young 1845) : Une couleur perue par un humain peut tre dcompose dans c e e e un espace ` trois dimensions. Cet espace ` pour base trois couleurs (dites primaires) direntes. a a e

Le choix doit porter sur trois couleurs ayant des spectres loigns les uns des autres. Le cas e e usuel est Rouge Vert Bleu (RVB). e Trivariance (Grassmann 1853) : La couleur Cx est fonction de trois param`tres : luminances C Cb et C = lumi`re monochromatique Cb = lumi`re blanche Cx = lumi`re colore e e e e quelconque. Cx = C + Cb On obtient les autres couleurs par synth`se additives ou soustractives (voir lillustration par e lintersection des cercles chromatiques) 3.6.2 Quelques dnitions e

La teinte est le nom de la couleur, cest-`-dire de la longueur donde dominante. Cest une a grandeur qui est reprable : on peut dterminer aisment la longueur donde dominante et lui e e e donner un nom en fonction du spectre observ. e La saturation ou indice de puret reprsente linverse du degr de dilution de la couleur dans e e e la lumi`re blanche. e La luminosit ou brillance est lintensit de la lumi`re achromatique. Elle est mesurable et e e e additive. Lunit de brillance est le candela par m`tre carr (cd.m2 ) dont lquivalent unit e e e e e correspond a 10 nits. ` 3.6.3 Conversion de la Couleur

La couleur dun pixel (point lumineux de lcran) est compos de Rouge, Vert et Bleu. Chaque e e composante RVB est reprsente par un entier compris entre 0 et 255 (codage 8 bits). Lentier e e 255 correspond a lintensit maximale et 0 a labscence de la composante. Ainsi, nous pouvons ` e ` dcrire quelques couleurs dans le tableau suivant : e

Pixels Couleur (255,0,0) rouge vif (100,0,0) rouge sombre (0,255,0) vert clatant e (255,255,255) blanc (0,0,0) noir Chaque composante dune couleur peut tre code sur un octet. La couleur dun pixel est e e donc donne par 3 octets soit 24 bits et lon peut ainsi former environ 16 millions de couleurs e direntes. Une image de taille 800 600 (cest-`-dire 800 colonnes et 600 lignes de pixels) en e a 9

24 bits occupe 800 600 3 = 1440000 octets. ATTENTION : dans un chier BMP, le pixel de coordonne (0, 0) correspond au coin infrieur e e gauche de limage et le point de coordonne (0, width-1) au coin infrieur droit. e e

3.7

Formats dimages

On appelle bitmap (BMP) le tableau contenant les couleurs de chaque pixel dune image. Un chier au format BMP contient une image non compresse. Il contient une entte de 54 octets e e (les paramtrages) puis les composantes RGB (Red-Green-Blue) de chaque pixel. Ainsi un e chier BMP stockant une image de 800 600 pixels poss`de une taille de 1 440 054 octets. e Pour conomiser de la place, la plupart des images sont compresses sous les formats : GIF e e (Graphic Interchange Format) : format de compression sans perte; division environ par 5 de la taille du chier initial. JPEG (Joint Photo Expert Group) : compression avec perte mais permettant de diviser par 20 la taille du chier initial. La compression des images au format JPEG supprime certaines informations qui ne peuvent tre rcupres au moment de la dcompression. La qualit de e e ee e e limage peut donc tre altre. Il en existe des variantes : FPX (Flashpix), PCD (Photo CD), e ee PNG (Portable Network Graphic), PSD (PhotoShop Document), PSP(Paint Shop Pro), TIF (Tagged Image File Format).

3.8

Recadrage des valeurs de limage traitre e

Si lon veut garder la conformit de limage nale et de linitiale il faut que ses valeurs soient e compatibles avec le codage des niveaux de gris. On utilise alors une variation linaire : x = e aX + b o` x est la valeur recadr, X la valeur originale. u e Soient Xmin et Xmax : les valeurs extrmes releves dans limage et xmin et xmax : la gamme e e dynamique des niveaux de gris, on a : a= xmax xmin Xmax Xmin Xmax xmin Xmin xmax En 256 niveaux de gris de 0 a 255 ` Xmax Xmin 255Xmin 255 et b = (codage 8bits), on a : a = Xmax Xmin Xmax Xmin et b=

3.9

Transforme de Fourier discr`te (TFD) : e e


M 1N 1

X(k, l) =
m=0 n=0

x(m, n)ej2( M + N ) , k = 0, 1, ..., M 1 et l = 0, 1, ..., N 1

km

nl

3.10

Transforme de Fourier discr`te inverse : e e


1 MN M 1N 1 k=0 l=0

x(m, n) =

X(k, l)ej2( M + N ) ,

km

nl

m = 0, 1, ..., M 1 et n = 0, 1, ..., N 1 10

Pr-traitement e

Le traitement, souvent appel prtraitement, regroupe toutes les techniques visant a amliorer e e ` e la qualit dune image. De ce fait, la donne de dpart est limage initiale et le rsultat est e e e e galement une image. Lidal est dobtenir un rsultat sans bruit. La qualit dune image e e e e nest pas forcment la mme pour un ordinateur ou pour un oprateur humain. Cest la raison e e e pour laquelle les techniques ne sont pas les mmes. La notion de qualit est une notion tr`s e e e subjective, assujettie ` la ralisation dun objectif. La qualit dune image nest pas forcment a e e e la mme pour un ordinateur ou pour un oprateur humain. Les capacits de vision de ltre e e e e humain tant limites, il est indispensable dadapter la dynamique de limage a notre vision. e e ` Le prtraitement suit les tapes suivantes : e e

4.1

Restauration

La restauration a pour but dinverser leet du phnom`ne dgradant. Il sagit donc de produire e e e une image la plus proche de la ralit physique de la sc`ne observe. Le plus souvent, cette e e e e tape est la premi`re dans la cha de traitements constituant un syst`me de vision. e e ne e

4.2

Amlioration e

Lamlioration a pour but de satisfaire loeil de lobservateur humain. Cest pourquoi limage e produite peut tre dirente de la ralit. Cette amlioration peut servir dans un premier temps e e e e e a ` faciliter la visualisation de limage sur un cran dordinateur. Dans les deux cas, la qualit e e (i.e. capacit ` interprter facilement une image) a t accrue. ea e ee

4.3

Compression

On classe les techniques de compression par extension du chier informatique. Il sagit l` de a faciliter le traitement et surtout le stockage des images par une rduction adquate de leur e e volume dinformation. On perd ou on gagne une caractristique optique. e

4.4

Segmentation

Il existe deux grandes catgories de segmentations : la segmentation de rgion et la segmentation e e de contour. Les pixels prsentant une mme caractristique sont dcrits par un niveau de gris e e e e compris dans un certain intervalle ou drive seconde suprieure ` un certain seuil. e e e a

11

5
5.1
5.1.1

Filtrage de limage
Convolution numrique bidimensionnelle e
Dnition e

Soit une image monochrome et f (i, j) intensit lumineuse du pixel de coordonne (i, j). La e e convolution numrique de cette fonction avec une rponse impulsionnelle h(m, n) conduit a une e e `
M N

nouvelle image de fonction g(i, j) qui scrit : g(i, j) = e


m=M n=N

h(m, n) f (i m, j n) La

rponse h(m, n) est appele masque de convolution et est caractristique du ltre. e e e 5.1.2 Application ` une image numrique a e

Soit une image numrise avec un pas x sur y, la convolution entraine une frquence spaciale e e e 1 1 dans les intervalles 0, 2x horizontalement, et 0, 2y verticalement. On utilise souvent des masques carrs et symtriques pour avoir un traitement identique suivant x et y. e e 5.1.3 Application de masques

Le but poursuivi est de remplacer chaque composante c dun pixel p(i, j) par une combinaison de c et de la composante correspondante de pixels avoisinants. Ceci revient a appliquer un ` masque reprsent par un tableau a 2 dimensions. On se limite ici aux pixels directement e e ` avoisinants ce qui se traduit par lapplication dun masque 33. Exemple : 1 1 1 Le masque 1 2 1 1 1 1 appliqu sur le pixel p(i, j) produit le nouveau pixel e p (i, j) = 1 p(i 1, j 1) + 1 p(i 1, j) + 1 p(i 1, j + 1) + 1 p(i, j 1) + 2 p(i, j) + 1(i, j + 1) + 1 p(i + 1, j 1) + 1 p(i + 1, j) + 1 p(i + 1, j + 1) Il faut ensuite diviser la somme par un nombre que lon choisit en fonction du nombre et du poids des coecients non nuls de la matrice et ventuellement ajouter un biais pour le e recentrage du rsultat. e Masque de lissage On eectue une moyenne pondre dans le voisinage du pixel considr. An de conserver ee ee la dynamique de luminosit de limage initiale, la somme des coecients du masque doit tre e e unitaire. Exemple:

12

1 b 1 1 2 b (b+2)2 b b 1 b 1 Le ltre passe-bas permet de rduire le bruit (moins ecace pour les bruits impulsionnels) e Il sagit de transformation linaire sur limage. Les dgradations de limage restent invarie e antes spatialement ce qui permet dcrire le mod`le suivant : e e Dans le cas de limage continue on peut eectuer les calculs suivants : Soit g(x, y) = [h f ](x, y) + n(x, y), o` est loprateur produit de convolution, g dsigne u e e limage a restaurer, f limage initiale, h la rponse impulsionnelle du syst`me linaire, mod`le ` e e e e de la source de dgradation et n un bruit additif (le plus souvent on prend un bruit blanc e gaussien) qui permet de modliser tout ce qui nest pas pris en compte par le syst`me linaire. e e e Par transformation de Fourier de la relation ci-dessus, on obtient alors : G(u, v) = F (u, v).H(u, v) o` G (resp. F et H) dsigne la transforme de Fourier de limage g (resp. f et h). H est la u e e fonction de transfert du syst`me linaire qui transforme limage idale f (x, y) en image dgrade e e e e e g(x, y). Si linversion de H est possible, alors on peut crire : e F (u, v) = H 1 (u, v) G(u, v) Le retour au domaine spatial se fait en appliquant la transforme de Fourier inverse. La e 1 fonction de transfert du ltre de restauration est donc H ou alors M(u, v) une restriction ` un a domaine donn. e En utilisant un bruit quelconque, la TF donne : G(u, v) = H(u, v) F (u, v) + N(u, v) o` N dsigne la transforme de Fourier du bruit n. On u e e obtient donc : F (u, v) = G(u, v)/H(u, v) + N(u, v)/H(u, v) Cette expression est plus complexe mais peut tre utilise si lon fait des hypoth`ses restrictives e e e sur la nature du bruit (le plus souvent blanc gaussien). 5.1.4 Convolution et rponse impulsionnelle e

Le ltrage peut tre directement eectu dans lespace image (domaine spacial) en utilisant e e loprateur de convolution, bien connu en traitement du signal. La formulation de la convolution e est donne ci-dessous, o` f est limage de dpart, g limage ltre et h la rponse impulsionnel e u e e e du ltre. + + g(x, y) = f (x, y) h(x, y) = f (, )h(x , y )dd Un syst`me linaire de transmission est caractris par sa rponse impulsionnelle h(x, y) qui e e e e e est la rponse de ce syst`me ` une impulsion de Dirac. On a : e e a h(x, y) = (x, y) h(x, y) Remarque : - (x, y) est l lment neutre de l opration de convolution. ee e

13

- si h ne dpend que de x et y on parle de syst`me invariant ou stationnaire. e e

5.2

Convolution numrique sur limage discr`te e e


+ +

La transposition au cas dun signal 2D chantillonn donne : e e g(x, y) =


+ +

f (, )h(x , y )

en eectuant le changement de variable suivant : i = x et j = y , on a : g(x, y) = f (x i, y j)h(i, j)


i=j=

x=y=

si la rponse impulsionnelle est borne sur un support symtrique, on obtient alors en inversant e e e les signes :
+n +m

g(x, y) =

f (x + i, y + j)h(i, j) =

+ n1 2

+ m1 2

f (x + i, y + j)h(i, j)

i=nj=m

i= n1 j= m1 2 2

5.3

Masque de convolution

Notation Si la rponse impulsionnelle h(i, j) est dnie sur un support born, on peut donc e e e la reprsenter sous la forme dun tableau de coecients appel masque de convolution (not e e e H). h(2, 1) h(1, 1) h(0, 1) h(1, 1) h(2, 1) Exemples : H = h(2, 0) h(1, 0) h(0, 0) h(1, 0) h(2, 0) h(2, 1) h(1, 1) h(0, 1) h(1, 1) h(2, 1) e ` Sous cette forme, la convolution consiste a appliquer le masque H sur la fentre image et a ` eectuer la somme des produits terme a terme sur pixel immdiatement voisins (adjacents) ` e a ` p(i, j). Le retournement du masque de convolution peut se passer inaperu si la rponse c e impulsionnelle est symtrique. e

5.4
5.4.1

Filtrage discret 2D
Image chantillonne : e e
+K1 +L1

g(m, n) =

h(k, l)f (m k, n l) (1, 1) (1, 0) (1, 1) (k, l) : (0, 1) (0, 0) (0, 1) (1, 1) (1, 0) (1, 1)

k=K1 k=L1

Exemple :

1 1 1 h(k, l) = 1 1 1 1 9 1 1 1
+1 +1

g(m, n) =

h(k, l)f (m k, n l)

g(m, n) = h(1, 1)f (m + 1, n + 1) + h(1, 0)f (m + 1, n) + h(1, 1)f (m + 1, n 1)+ h(0, 1)f (m, n + 1) + h(0, 0)f (m, n) + h(0, 1)f (m, n 1) + h(1, 1)f (m 1, n + 1)+ 14

k=1k=1

h(1, 0)f (m 1, n) + h(1, 1)f (m 1, n 1). 5.4.2 Equation du ltrage - fonction de transfert :
+1 +1 k l h(k, l) z1 z2 = G(z1 ,z2 ) F (z1 ,z2 )

H(z1 , z2 ) =

1 1 G(z1 , z2 ) = (h(1, 1).z1 z2 + h(1, 0).z1 + h(1, 1).z1 z2 + h(0, 1).z2 + h(0, 0) + h(0, 1).z2 + 1 1 1 1 h(1, 1).z1 z2 + h(1, 0).z1 + h(1, 1).z1 z2 ) F (z1 , z2 )

k=1k=1

5.4.3

Rponse frquentielle : e e
+ +

H(, ) = 5.4.4

h(m, n)ej2(m+n)

n=m=

Autres quations de ltrage : e

Image dterministe : e G(, ) = F (, ) H(, ) G(z1 , z2 ) = F (z1 , z2 ) H(z1 , z2 ) Image alatoire : e g (, ) = |H(, )|2 f (, ).

5.5

Reconnaissance de formes

La reconnaissance de formes est une branche de la vision articielle. Elle consiste a identier des ` formes pr-dcrites dans une image numrique, et par extension dans un ux vido numrique. e e e e e Les formes recherches sont souvent des formes gomtriques, descriptibles par une formule e e e mathmatique, telles que : cercle ou ellipse, droite etc... e Elle peuvent aussi tre de nature plus complexe : lettre, chire, empreinte digitale, etc... e Les algorithmes de reconnaissance peuvent travailler sur des images en noir et blanc, avec en blanc les contours des objets se trouvant dans limage. Ils peuvent aussi travailler sur des zones de limage prdnies issues de la segmentation de limage. e e Les mthodes usuelles de reconnaissance des formes sont : Mthode Bayesienne, Estimation e e Paramtrique, Classicateurs Linaires, Rseaux de Neuronnes, etc... Lalgorithme le plus e e e cl`bre dans la dtection de formes est la transforme de Hough; une mthode destimation ee e e e paramtrique. e

5.6

Quelques oprateurs de traitement e

On utilise souvent de Lookup Table ou LUT. Il sagit de loprateur le plus simple quon puisse e trouver puisquen chaque pixel de limage on modie le niveau de gris a laide dune fonction ` 15

spcique. e Ainsi pour claicir une image, on applique la fonction a chaque niveau de gris. Au contraire, e ` pour rendre plus sombre une image un peu trop sature, on applique une fonction exponentielle. e On peut remarquer que le seuillage nest rien dautre quune table dachage particuli`re, celle e qui associe le noir a tous les niveaux infrieurs ` un certain seuil et le blanc a tous les autres. ` e a ` Il sagit dun oprateur tr`s simple et particuli`rement utilis (cest un oprateur de dcision!) e e e e e e mais qui cache une grande dicult : trouver le seuil adquat et de mani`re automatique ! e e e Ces ltres poss`dent des caractristiques spectrales; on parle ainsi de ltre passe-bas (limage e e devient oue) ou de ltre passe-haut (les contours ressortent). 5.6.1 Gauss

Permet de rendre limage oue en calculant une moyenne des niveaux en chaque points, moyenne pondre par une gaussienne. ee 5.6.2 Prewitt

Cest un dtecteur de contours mlangeant du passe-bas et du passe-haut. e e 5.6.3 Laplacien

Cest un dtecteur de contour du deuxi`me ordre, le contour se trouve l` o` le laplacien change e e a u de signe (passage par zro de la drive seconde). e e e 5.6.4 Canny :

Cest un ltre optimal (au sens de trois crit`res) pour dtecter les contours. e e 5.6.5 Deriche

Cest une variante du ltre de Canny tout aussi ecace. 5.6.6 Sobel :

Il reprsente le plus illustre ltre mais aussi le plus simple des dtecteurs de contours. Un ou e e gaussien suivi dune dirence (horizontale pour les contours verticaux et verticale pour les e contours horizontaux)

16

5.6.7

Marr-Hildreth

Il reprsente le laplacien dune gaussienne, un dtecteur de contrours permettant de limiter e e les amplications des hautes frquences des drives secondes par une gaussienne de variance e e e ajustable.

5.7

Reprsentation de quelques masques 3 3 : e

Les masque 3 3 constituent la forme la plus simple des ltres dimage. La mise en oeuvre est simple et rapide mais dune ecacit quelques fois limite. e e 1 1 1 -1 0 1 Moyenneur = 1 1 1 1 Sobel horizontal= -2 0 2 9 1 1 1 -1 0 1 1 -3 1 -1 -2 -1 Rhausseur = -3 9 -3 e Sobel vertical = 0 0 0 1 -3 1 1 2 1 -1 0 1 -1 -1 0 Frei-Chen = 2+12 - 2 0 2 Gradient oblique = -1 0 1 -1 0 1 0 1 1 1 2 1 -1 0 1 1 Prewitt horizontal = 1 -1 0 1 bino-gauss = 16 2 4 2 3 1 2 1 -1 0 1 0 1 0 -1 -1 -1 Laplacien1 = 1 -4 1 Laplacien2 = -1 8 -1 0 1 0 -1 -1 -1 -1 -1 -1 1 -2 1 Laplacien3 = -2 4 -2 Prewitt vertical = 1 0 0 0 3 1 1 1 1 -2 1

5.8
5.8.1

Particularits du ltrage en traitement dimage e


Causalit e

A linstant ti on ne dispose que de linformation pour t ti . Ceci traduit une rponse e impulsionnelle causale cest dnie sur lintervalle [0, +[. Le signal est dit causal. Pour une e image ce concept est un peu dirent car il ny a pas lieu de dnir une causalit spaciale. e e e Cependant limage stocke en mmoire peut tre considre comme causale. e e e ee

17

5.8.2

Support

La largeur de leet de bord sur limage est lie ` la largeur de la rponse impulsionnelle du e a e ltre. Un ltre de dimension impulsionnelle nie 2D de dimension 3 3 introduira un eet de bord de largeur un pixel tout autour de limage. 5.8.3 Reprsentation numrique e e

Une image ne prsente de valeurs ngatives. De plus, la dynamique de la valeur du pixel e e est limite par le convertisseur analogique-numrique. Limage est donc dnie en amplitude e e e n n (niveaux de gris) sur un intervalle [0, 2 [ o` 0 reprsente le noir et 2 1 le blanc (n = 8). u e On ajoute un oset pour rendre les valeurs toujours positives au cas o` lapplication du ltre u donne des rsultats ngatives. e e 5.8.4 Proprits des ltres RIF e e

Symtrie : Tr`s souvent, les masques de convolution sont symtriques. La symtrie entraine e e e e un dphasage nul. Tous les ltres RIF de type passe-bas sont en gnral symtriques. e e e e Sparabilit : Certains ltres bidimensionnels peuvent tre dcomposs en deux ltre monodie e e e e mensionnels appliqus lun apr`s lautre. e e Exemple : g(x, y) = [f (x, y) hx (x)] hy (y) = f (x, y) [hx (x) hy (y)] Posons hxy (x, y) = hx (x) hy (y); hxy est la rponse impulsionnelle bidimensionnelle sparable e e en hx et hy . Exemples de ltres sparables : e a b c [a b c] = a b c a b c exemples: 1 1 1 1 1 [1 1 1] 1 1 = 1 1 1 1 3 3 9 1 1 1 1 5.8.6 Filtrage en cascade 5.8.5

En utilisant la lassociativit de la convolution, on a ; e e ` g(x, y) = f (x, y) h1 (x, y) h2 (x, y) h3 (x, y) .....ce qui est quivalent a : g(x, y) = f (x, y) h(x, y) avec : 18

h(x, y) = h1 (x, y) h2 (x, y) h3 (x, y) ... Les masques Hi peuvent tre identiques ou dirents. La convolution de n ltres identiques e e n n pourra tre note h(x,y) (ou H pour le masque) e e

Transforme en Z, Transforme en Z inverse e e

Cest un outil privilgi pour la reprsentation des signaux chantillonnes. Le produit dun e e e e e signal continu avec un peigne de Dirac de priode connue, donne le signal chantillonn : e e e f (x, y) = fc (x, y) (x, y)

6.1

Dnition e
+ + m n f (m, n)z1 z2 (srie de Laurent, z1 et z2 C) e

La reprsentation chantillonne (transforme en z) de cette image scrit : e e e e e F (z1 , z2 ) =


m=n=

La TZ peut tre dnie de la TL par un simple changement de variable en utilisant loprateur e e e px 1 z = e . Loprateur z dnit un retard dune priode dchantillonnage. e e e e On passe de la rponse en Z ` la rponse frquentielle en posant : z1 = ej2 et z2 = ej2 e a e e

6.2

TZ inverse

La Transforme en Z inverse de F scrit : e e m1 n1 1 f (m, n) = (2j)2 F (z1 , z2 )z1 z2 dz1 dz2


C1 C2

C1 et C2 sont deux contours ferms entourant lorigine de plan (z1 , z2 ) et appartenant a la rgion e ` e de convergence de F (z1 , z2 ). Limage nale est le rsultat de lapplication du ltre H(z1 , z2 ) On e a : G(z1 , z2 ) = H(z1 , z2 ) F (z1 , z2 ), H(z1 , z2 ) est la fonction de transfert de ce ltre.

6.3

Forme gnrale e e
K L k=0l=0 L K k =0l =0 k l bkl z1 z2 k l z1 z2

La forme gnrale de H(z1 , z2 ) est : H(z1 , z2 ) = e e

ak

Les racines du munrateur sont le zros de H, et les racines du dnominateur sont appeles les e e e e ples de H. o

19

ANNEXES
Colorimtrie Peigne et brosse de Dirac Formulaire TZ en 1D

4 COLORIMETRIE
4.1 PRINCIPES 4.1.1 Couleurs objective et subjective

Laser Hlium-Non

Vapeur mercure

Tungstne

300
LED

500

700

300

500

700

400

1200
Bleu ciel

2000

Soleil

300

500

700

300

500

700

300

500

700

Distributions spectrales d'nergies relatives - chelles en nm

4.1.2 Trivariance et trichromie Trichromie (YOUNG 1845) Une couleur perue par un humain peut tre dcompose dans un espace trois dimensions. Cet espace a pour base trois couleurs (dites couleurs primaires) diffrentes. Le choix des trois couleurs primaires peut tre quelconque, nanmoins l'efficacit sera meilleure si les trois couleurs ont des spectres "loigns" les uns des autres. La base la plus courante est compose des trois couleurs monochromatiques RVB - Rouge Vert Bleu. Trivariance (GRASSMANN 1853) La couleur Cx est fonction de 3 paramtres : Luminances de C et Cb ; Cx C Cb Cx = lumire colore quelconque = lumire monochromatique = lumire blanche = C + Cb

Cx

C + Cb

Lois de LEGRAND

additivit multiplicativit associativit transitivit

A = B => A+C = B+C A = B => kA = kB avec k scalaire A+B = C et A = D+E => D+E+B = C A+B = C et D+E = C => A+B = D+E

Traitement d'Image - Colorimtrie

4.1

PYC - ENSERG - 27/09/02

4.1.3 Synthses additive et soustractive

Magenta

Bleu

Cyan

Vert

Jaune Rouge

Noir Rouge Vert Jaune

Blanc Cyan Magenta Bleu

Soustractive Mise en correspondance de couleurs

Additive

v c b

v b c

C = rR + vV + bB

C + rR = vV + bB

bB = C + rR = vV

4.1.4 Fonctions de mlange Luminances r, v, b 1 b v r Les mlanges sont continus d'aprs GRASSMANN. Exemples: rouge R r=1 v=0 b=0 r = - 0,15 v = 0,5 b = 0,5

B V R

cyan satur

Traitement d'Image - Colorimtrie

4.2

PYC - ENSERG - 27/09/02

4.2

ESPACE de REPRESENTATION DES COULEURS 4.2.1 Espace RVB Cyan

B Magenta

Blanc

V ( = 546,1nm)

Axe achromatique V

Cyan

Blanc

Jaune

Jaune R B ( = 435,8nm) Magenta R ( = 700nm

Cube RVB

Triangle de MAXWELL

0 Bleu = 0 1 r=v=b r+v+b = 1 => =>

1 Rouge = 0 0

0 Vert = 1 0

0 Noir = 0 0

1 Blanc = 1 1

1 Jaune = 1 0

etc.

Droite passant par Noir et Blanc; axe achromatique (niveaux de gris). Plan passant par R, V et B ; plan de luminance 1 (triangle de MAXWELL). La teinte est donne par la position sur le primtre du triangle. La saturation est reprsente par la distance de la couleur au blanc.

b () 0,3 v () 0,2 0,1 0 500 -0,1

r () Courbes reprsentant les valeurs tristimuli dans l'espace RVB du spectre visible humain (spectrum locus). (nm) 600 700

Traitement d'Image - Colorimtrie

4.3

PYC - ENSERG - 27/09/02

4.2.2 Espace TLS Cet espace de reprsentation des couleurs est le plus proche de l'aspect physiologique de la vision humaine (notamment en ce qui concerne la teinte). L'analyse d'images couleur utilise frquemment cet espace. L

Teinte
angle

Luminance
axe vertical

Saturation
module

L = r+v+b S=1-3 min(r,v,b) L (r-v)+(r-b) (r-v)2 + (r-b)(v-b)

T* = Arcos 1 2

T = T* si b<v T = 2 - T* si b>v 4.2.3 Espace XYZ C'est le systme de coordonnes (surtout utilis en tldiffusion) dans lequel il n'y a pas de coordonnes ngatives pour les couleurs visibles. Y Y
520

V
540

V
555

Spectrum locus

500

570 480 600 450 380 780

R R X Z B Triangle XYZ X

Triangle RVB MATRICES de PASSAGE x 0,7347 0,2738 0,1582 y = 0,2653 0,7174 0,0084 z 0 0,0088 0,8334 r v b

r 1,5772 -0,5983 -0,2934 v = -0,5833 1,6154 0,0944 b 0,0062 -0,0171 1,1989

x y z

Traitement d'Image - Colorimtrie

4.4

PYC - ENSERG - 27/09/02

4.3.2 Traitements usuels des images couleur Projection sur axe luminance Le fait de rajouter une ou plusieurs dimensions chromatiques accentue encore la masse de donnes traiter. C'est pourquoi on cherche souvent rduire cette information chrominance en faisant une projection sur un axe ; un axe privilgi tant l'axe luminance. Cette projection est faite intrinsquement par une camra vido Noir & Blanc Elle correspond la composante L de l'espace TLS On peut facilement la calculer en faisant la moyenne des intensits RVB Analyse en composante principale La projection prcdente se fait sans tenir compte de la rpartition d'information. L'Analyse en composante principal (transforme de Karhunen-Loeve) permet de dfinir un axe de projection pour lequel on conserve le maximum d'information. Une image couleur est alors considre comme un chantillon statistique d'un vecteur 3 M r Crr Crv Crb M et C C composantes (r, v, b), caractrise par ses moments d'ordre 1 et 2 : M v vr Cvv Cvb M b Cbr Cbv Cbb M est le vecteur Moyenne et C la matrice de covariance La matrice C est symtrique, c'est dire : Ci,j = Cj,i. Pour i j, si Ci,j = 0 alors il n'y a pas de corrlation entre les deux couleurs primaires i et j. Le coefficient Ci,i maximum indique quelle est la couleur contenant le maximum d'information. L'ide est donc de proposer un changement de base tel que la matrice de covariance soit diagonale - c'est dire pas de corrlation entre les diffrentes composantes. A la valeur propre maximale de la matrice de covariance correspond le vecteur propre caractristique de l'axe supportant le maximum d'information. 69 613 170 387 84 632 1 4 74 ; C 170 477 458 M ' 142 ; C ' 1 195 2 M 76 387 458 796 11 4 2 68

Exemple

Autres projections Bien sr, toute autre type de projection est envisageable. Si on doit, par exemple, diffrencier des pommes rouges et vertes, une simple projection sur l'axe Rouge fera apparaitre la pomme rouge comme un objet clair et la verte comme un objet sombre. Analyse multidimensionnelle Ce domaine est encore peu exploit. Les travaux de recherches actuels sont surtout axs sur la segmentation par seuillage en utilisant soit une base RVB soit une base TLS ou drive.

Traitement d'Image - Colorimtrie

4.5

PYC - ENSERG - 27/09/02

FIG. - Peigne d'impulsions de Dirac en dimension 1 : 4.14

FIG. 4.15 - Brosse d'impulsions de Dirac e n dimension 2 :

tandis que le peigne ktendu, en x est d&finipar,

On remarquera que cette equation ressemble fortement 9. celle du peigne en dimension 1, m8me si elle ne doit pas entrainer de confusion entre ces deux peignes (voir figure 4.16).

FIG. 4.16 - A gauche : u n peigne 2D en x. A droite : un peigne Wendu en x. O n note que, contrairernent a m apparences, c'est l'@uation du peigne 6tendu qui ressemble le plus 6 celle du peigne ID.

---------------------------------------------------------------------------------------------------------------------------------------------------------------aT e

signal causal

x(t) [x=0 pour t<0] (t)

X(p)

X(z) [avec = e 1

(t kT e)
t

e kTe p

zk

u(t)
t

1 p 1 p2

1 1 z 1 Te .z1
1

t
t

t
t

2 p3 1 p+a a p( p + a) a2 p 2( p + a) 1 ( p + a) 2 a2 p( p + a)2 1 1 z

(1 z ) T .z (1+ z ) (1 z )
2 e 2 1 1 1 3

1 t

e at

1 1 .z1 (1 )z1
1

1 t

1 eat

(1 z )(1 z )
1

at 1+ eat
t

aTe z1

1 z1

) (1 z )(1 z )
2 1 1

(1 )z1

t.eat
t

(1z )
1

Tez1

1 t 1

1 (1+ at)eat

1 1z1

e
t 1

at

.cos(bt )

p+a ( p + a) 2 + b2 b ( p + a) 2 + b2

z1

cas particulier : a = 0 (sinusode pure)

1 2.cos(bTe ).z1 + 2 z2 .sin(bTe ).z1

(1 z ) (1 .cos(bT ).z )
1 e 1

aTez1
2

e at .sin(bt )
t
cas particulier : a = 0 (sinusode pure)

1 2.cos(bTe ).z1 + 2 z2